【技術實現步驟摘要】
本專利技術涉及計算機，具體涉及基于卷積神經網絡的漏檢提示方法、裝置、設備及介質。
技術介紹
1、內窺鏡作為能夠觀察人體內部的醫療器械，被廣泛應用于檢查治療等領域。內窺鏡檢查裝置通常由插入部、手持部、圖像處理系統以及顯示系統組成。
2、相關技術中的內窺鏡檢測主要靠醫師的操作手法和經驗對患者進行內窺鏡插入檢查，由于人體內部形狀復雜，對醫生操作手法提出了更高的要求，同時增加了醫生操作的難度。并且，在檢查過程中，易出現插入速度過快、插入手法不規范導致的漏檢。因此，在使用內窺鏡進行檢查的過程中，如何及時進行漏檢提示，成為一個亟待解決的問題。
技術實現思路
1、有鑒于此，本專利技術提供了基于卷積神經網絡的漏檢提示方法、裝置、設備及介質，以解決在內窺鏡插入檢查過程中，如何生成漏檢提示信息，向醫生進行漏檢提示的問題。
2、第一方面，本專利技術提供了一種基于卷積神經網絡的漏檢提示方法，該方法包括：
3、獲取在內窺鏡檢測過程中攝像裝置拍攝到的當前檢測區域的圖像數據，并基于lenet卷積神經網絡對圖像數據進行清晰度檢測，得到圖像數據的清晰度值；
4、利用光纖光柵加速度傳感器測量攝像裝置鏡體的移動加速度值；
5、根據圖像數據的清晰度值和鏡體的移動加速度值，判斷當前檢測區域是否為漏檢區域；
6、若當前檢測區域為漏檢區域，則生成漏檢提示信息。
7、本專利技術通過基于lenet卷積神經網絡對圖像數據進行清晰度檢測，并利用光纖光柵
8、在一種可選的實施方式中，基于lenet卷積神經網絡對圖像數據進行清晰度檢測，得到圖像數據的清晰度值，包括：
9、收集目標樣本圖像數據，并根據收集到的目標樣本圖像數據建立數據集；
10、對數據集中的圖像像素值進行歸一化處理；
11、將歸一化處理后的數據集輸入到預先構建的lenet卷積神經網絡中進行訓練，得到基于lenet卷積神經網絡的圖像清晰度檢測模型；
12、將圖像數據輸入到基于lenet卷積神經網絡的圖像清晰度檢測模型中，得到圖像數據對應的清晰度值。
13、本專利技術通過對建立的目標樣本圖像數據集進行歸一化處理，以加快訓練速度，并提高訓練模型的準確性，將歸一化處理后的數據集輸入到預先構建的lenet卷積神經網絡中進行訓練，以便于利用訓練好的基于lenet卷積神經網絡的圖像清晰度檢測模型對圖像數據進行清晰度檢測，lenet卷積神經網絡能夠在復雜的圖像背景下，依然不受干擾地進行清晰度檢測。
14、在一種可選的實施方式中，將歸一化處理后的數據集輸入到預先構建的lenet卷積神經網絡中進行訓練，得到基于lenet卷積神經網絡的圖像清晰度檢測模型，包括：
15、預先構建lenet卷積神經網絡，lenet卷積神經網絡模型的結構包括輸入層、第一層、第二層、第三層、第四層、第五層、第六層以及輸出層，其中，第一層、第三層分別為卷積層，第二層、第四層分別為池化層，第五層、第六層分別為全連接層；
16、將歸一化處理后的數據集輸入到lenet卷積神經網絡中進行訓練；
17、采用交叉熵損失函數計算lenet卷積神經網絡中輸出層誤差，通過反向傳播算法更新卷積核和全連接層的權重參數，直至滿足預設條件時停止對lenet卷積神經網絡的訓練，得到基于lenet卷積神經網絡的圖像清晰度檢測模型。
18、本專利技術采用經典的lenet卷積神經網絡，lenet卷積神經網絡中的卷積層和池化層能夠使得lenet卷積神經網絡識別并抽象出不同層級的圖像結構模式，對圖像清晰度檢測至關重要，采用交叉熵損失函數計算lenet卷積神經網絡中輸出層誤差，通過反向傳播算法更新卷積核和全連接層的權重參數，對lenet卷積神經網絡的性能進行優化，能夠使得訓練好的lenet卷積神經網絡準確性高，泛化能力強。
19、在一種可選的實施方式中，將圖像數據輸入到基于lenet卷積神經網絡的圖像清晰度檢測模型中，得到圖像數據對應的清晰度值，包括：
20、對圖像數據進行灰度化處理，并選擇sobel算子對圖像數據進行水平方向和垂直方向的梯度計算；
21、利用選擇好的sobel算子對灰度化處理后的圖像數據進行卷積操作，分別計算每個像素點在水平方向和垂直方向的灰度梯度；
22、遍歷整幅圖像計算處于閾值范圍內的灰度梯度的平方和，將計算得到的平方和確定為圖像數據對應的清晰度值。
23、本專利技術通過對圖像數據進行灰度化處理，簡化數據處理，減小數據量，利用sobel算子進行水平方向和垂直方向的灰度梯度計算，以捕捉到圖像數據不同方向的邊緣信息，適用于對具有復雜結構的圖像進行清晰度檢測時，其清晰度差異可能是邊緣變化導致的情況，將整幅圖像處于閾值范圍內的灰度梯度的平方和進行計算，利用sobel算子抑制噪聲的影響，直觀地反映整幅圖像的清晰度值。
24、在一種可選的實施方式中，根據圖像數據的清晰度值和鏡體的移動加速度值，判斷當前檢測區域是否為漏檢區域，包括：
25、若圖像數據的清晰度值小于預設清晰度閾值，和/或，鏡體的移動加速度值大于預設加速度值，則確定當前檢測區域為漏檢區域；
26、若圖像數據的清晰度值大于預設清晰度閾值，或鏡體的移動加速度值小于預設加速度值，則確定當前檢測區域為非漏檢區域。
27、本專利技術通過根據圖像數據的清晰度值和預設清晰度閾值的大小關系、鏡體的移動加速度值和預設加速度值的大小關系，綜合判斷當前檢測區域是否為漏檢區域，提高了判斷結果的準確度。
28、在一種可選的實施方式中，若當前檢測區域為漏檢區域，則生成漏檢提示信息，包括：
29、若當前檢測區域為漏檢區域，則確定當前鏡體的深度信息，并在顯示畫面中標記當前鏡體的深度信息。
30、本專利技術通過在確定當前檢測區域為漏檢區域時，確定當前鏡體的深度信息，以確定出鏡體探入的深度，在顯示畫面中標記當前鏡體的深度信息，對醫生進行漏檢提示，并提示醫生深度，以便于醫生進行復檢。
31、在一種可選的實施方式中，在若當前檢測區域為漏檢區域，則生成漏檢提示信息之后，該方法還包括：
32、當檢測到對漏檢區域進行復檢時，刪除漏檢提示信息。
33、本專利技術通過當檢測到對漏檢區域進行復檢時，將漏檢提示信息刪除，以避免醫生二次復檢造成的資源浪費。
34、第二方面，本專利技術提供了一種基于卷積神經網絡的漏檢提示裝置，該裝置包括：
35、清晰度檢測模塊，用于獲取在內窺鏡檢測過程中攝像裝置拍攝到的當前檢測區域的圖像數據，并基于lenet卷積神經網絡對圖像數本文檔來自技高網...
【技術保護點】
1.一種基于卷積神經網絡的漏檢提示方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于卷積神經網絡的漏檢提示方法，其特征在于，所述基于LeNet卷積神經網絡對所述圖像數據進行清晰度檢測，得到圖像數據的清晰度值，包括：
3.根據權利要求2所述的基于卷積神經網絡的漏檢提示方法，其特征在于，所述將所述歸一化處理后的數據集輸入到預先構建的LeNet卷積神經網絡中進行訓練，得到基于LeNet卷積神經網絡的圖像清晰度檢測模型，包括：
4.根據權利要求2所述的基于卷積神經網絡的漏檢提示方法，其特征在于，所述將所述圖像數據輸入到所述基于LeNet卷積神經網絡的圖像清晰度檢測模型中，得到所述圖像數據對應的清晰度值，包括：
5.根據權利要求1所述的基于卷積神經網絡的漏檢提示方法，其特征在于，所述根據所述圖像數據的清晰度值和所述鏡體的移動加速度值，判斷當前檢測區域是否為漏檢區域，包括：
6.根據權利要求1所述的基于卷積神經網絡的漏檢提示方法，其特征在于，所述若當前檢測區域為漏檢區域，則生成漏檢提示信息，包括：
7.根據權
8.一種基于卷積神經網絡的漏檢提示裝置，其特征在于，所述裝置包括：
9.一種計算機設備，其特征在于，包括：
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機指令，所述計算機指令用于使計算機執行權利要求1至7中任一項所述的基于卷積神經網絡的漏檢提示方法。
...【技術特征摘要】
1.一種基于卷積神經網絡的漏檢提示方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于卷積神經網絡的漏檢提示方法，其特征在于，所述基于lenet卷積神經網絡對所述圖像數據進行清晰度檢測，得到圖像數據的清晰度值，包括：
3.根據權利要求2所述的基于卷積神經網絡的漏檢提示方法，其特征在于，所述將所述歸一化處理后的數據集輸入到預先構建的lenet卷積神經網絡中進行訓練，得到基于lenet卷積神經網絡的圖像清晰度檢測模型，包括：
4.根據權利要求2所述的基于卷積神經網絡的漏檢提示方法，其特征在于，所述將所述圖像數據輸入到所述基于lenet卷積神經網絡的圖像清晰度檢測模型中，得到所述圖像數據對應的清晰度值，包括：
5.根據權利要求1所述的基于卷積神經網絡的漏檢提示...
【專利技術屬性】
技術研發人員：崔文奇，高立，陳明鋒，
申請(專利權)人：深圳市科曼醫療設備有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。